Recherche approfondie
Pourquoi c’est important
En profondeur
Une exécution de recherche approfondie ne ressemble en rien à une complétion de conversation ordinaire. Devant un prompt, le système décompose d'abord la question en un plan de recherche : un ensemble de sous-questions, de requêtes de recherche et d'angles à explorer. Il boucle ensuite — lançant des recherches, ouvrant des pages, lisant et décidant quoi poursuivre — pendant deux minutes à une demi-heure, consultant souvent des dizaines de sources en chemin. Les constats intermédiaires s'accumulent dans des notes de travail, et une passe de synthèse finale transforme ces notes en rapport structuré avec citations en ligne. Sous le capot, c'est plus proche de la boucle de planification d'un agent autonome que de la consultation documentaire en un coup du RAG classique.
Comment fonctionne la boucle d'agent
La boucle centrale, c'est planifier, chercher, lire, réévaluer. Après chaque lot de pages, le modèle met à jour sa compréhension et choisit les requêtes suivantes selon ce qui manque encore, les sources qui se contredisent et les affirmations qui ont besoin d'une seconde confirmation. C'est ici qu'il diverge du RAG classique : la récupération n'est pas une consultation en un coup mais un processus itératif que le modèle oriente lui-même. La navigation se fait par l'utilisation d'outils — outils de recherche, d'ouverture de page et parfois d'exécution de code — et tout ce que l'agent a lu doit entrer dans la fenêtre de contexte, donc ces systèmes distillent agressivement les pages en notes plutôt que d'accumuler du texte brut.
Pourquoi les modèles de raisonnement ont changé la donne
La recherche approfondie n'est devenue praticable qu'une fois que les modèles ont pu soutenir de longues chaînes de travail sans perdre le fil. Une seule exécution peut couvrir des dizaines d'étapes de recherche et de lecture, donc le modèle sous-jacent doit tenir un plan, suivre les questions ouvertes et remarquer quand une nouvelle source contredit une hypothèse antérieure. La version d'OpenAI est propulsée par un modèle de raisonnement ajusté finement par apprentissage par renforcement sur de vraies tâches de navigation, et les produits concurrents s'appuient sur leurs propres porte-étendards capables de raisonner. De fait, la recherche approfondie, c'est du calcul au moment du test dépensé en recherche : le système échange des minutes de raisonnement et de navigation contre une réponse qu'aucune passe avant unique ne pourrait produire.
Les citations ne sont pas une garantie
Le rapport soigné aux liens intégrés invite à une confiance excessive, et c'est le principal mode d'échec. Une citation vous dit que le modèle a ouvert une page, pas que la page dit ce que le rapport affirme, et les écarts entre citation et affirmation sont assez fréquents pour que la vérification par sondage reste essentielle. Les systèmes héritent aussi des biais du web ouvert : contenu optimisé pour le référencement, pages périmées et matériel de marketing sont tous lus avec la même patience que des sources primaires, tandis que le matériel derrière un mur payant ou non indexé reste invisible. Comme tout générateur, le modèle peut encore halluciner des détails, et il peut discrètement masquer des trous dans la preuve par une synthèse qui sonne plausible. Traitez la sortie comme un solide premier jet d'un assistant de recherche très rapide, pas comme un livrable fini et vérifié.
Le domaine et sa mesure
Gemini a livré la première Deep Research en décembre 2024 ; le lancement d'OpenAI en février 2025, d'abord limité à son palier d'abonnement le plus cher avec un quota mensuel d'exécutions, est ce qui en a fait une catégorie. En quelques mois, Perplexity en a ajouté une à son moteur de réponses, et xAI a publié DeepSearch dans Grok. L'accès s'est élargi rapidement, et au milieu de 2025 la plupart des grands assistants offraient une forme ou une autre de mode de recherche à plusieurs étapes. Des recréations à code source ouvert sont apparues en parallèle, câblant habituellement une API de recherche à un modèle de raisonnement dans un échafaudage d'agent.
Mesurer ces systèmes est plus difficile que les bâtir. Le résultat précoce le plus cité est Humanity's Last Exam, un banc d'essai de questions de niveau expert dans de nombreuses disciplines, où la Deep Research d'OpenAI a répondu correctement à environ un quart des questions — bien au-dessus des scores à un chiffre des modèles de conversation standards de l'époque. Les fournisseurs rapportent aussi de bons résultats sur GAIA, un banc d'essai d'assistant agentique. Ni l'un ni l'autre ne capte directement la qualité du rapport, cependant : la précision des citations, la diversité des sources et l'utilité pour un lecteur humain se jugent encore surtout à la main, et les évaluations indépendantes restent minces.